心音図および心電図による弁膜症の検出支援 (PEA-Valve)
心臓弁膜症 (VHD) の診断、またはその欠如には、常に心臓の画像検査が必要です。 重大な VHD の診断または除外を支援する使い慣れた安価なツールは、救命治療へのアクセスを促進し、費用のかかる検査の必要性を減らすことができます。 FDA 承認の Eko Duo デバイスは、デジタル聴診器と単一誘導心電図 (ECG) で構成され、Eko Mobile アプリケーションとワイヤレスでペアリングして、音声と心電図の同時記録と視覚化を可能にします。 これらの機能により、このデバイスは、VHD の有無にかかわらず、患者の聴診データの大規模なセットを蓄積することができます。
この研究では、研究者は、フォノおよび心電図によって VHD を識別する自動システムの開発を目指しています。 具体的には、研究者は、臨床的に重要な大動脈弁狭窄症 (AS) または僧帽弁閉鎖不全症 (MR) の患者の心音図を学習するための機械学習アルゴリズムの開発を試み、臨床的に重要な VHD を持つ被験者を識別するアルゴリズムをタスクします。標準、ナイーブ心音図から。 研究者は、この研究が従来の聴診に代わるより正確な方法を提供することにより、VHD の診断に革命をもたらす可能性があると予想しています。
調査の概要
状態
詳細な説明
心音図および心電図による弁疾患の検出支援 (PEA-Valve Study)
特定の目的 目的 1: 同時の音声記録と心電図記録から得られた機械学習アルゴリズムは、臨床的に重要な大動脈弁狭窄症を確実に診断できますか?
目的 2: 同時の心音記録と心電図記録から得られた機械学習アルゴリズムは、臨床的に重要な僧帽弁逆流を確実に診断できますか?
重要性 心臓弁膜症 (VHD) は、一般的な世界的な健康問題であり、人口ベースの研究では、大動脈弁狭窄症 (AS) の有病率が 10%、僧帽弁閉鎖不全症 (MR) の有病率が 20% であることが示されています。 新しい外科的およびインターベンションの進歩により、高齢の患者や、以前は介入のリスクが受け入れられなかった患者の治療が可能になります。 MR と AS の両方の発生率が加齢とともに増加することを考えると、疾患を変化させる治療法を提供するために、これらの状態を特定する必要性が高まっています。
現在の臨床診療では、VHD の診断は心エコー検査に大きく依存しています。 これには、VHD の臨床的な疑いがあるプロバイダーからの紹介 (通常は聴診上の異常によるもの) と、心エコー図自体へのアクセスの両方が必要です。 MR と AS は両方とも、確実に再現可能な聴診所見をもたらします。それぞれ、全収縮期および収縮期のクレッシェンド - デクレッシェンド雑音です。 それにもかかわらず、診断ツールとしての聴診は悪名高く、MR と AS を検出する精度は 5 ~ 40% にすぎません。 これらの要因はすべて、これらのますます治療可能な状態の過小診断の懸念につながります.
ここでは、研究者は、VHD のテストへのより多くのアクセスと改善された診断精度の両方のニーズに対処します。 調査員は、Eko Duo 電子聴診器を使用して、安全なクラウドベースのサーバーにリアルタイムで同期された心音図 (PCG) と単一誘導心電図 (ECG) の記録を組み合わせて利用します。 これらのデータを使用して、研究者は機械学習アルゴリズムを開発および検証し、臨床的に重要な AS または MR を診断します。 Eko Duo は基本的に従来の聴診器に似ており、患者とプロバイダーの両方に広く受け入れられている象徴的なツールであるため、自動検出アルゴリズムを駆動するために使用することは、従来の聴診の代替として実行可能で魅力的です。 さらに、試験解釈の負担を臨床医からアルゴリズムに移すことで、研究者はこれが全体的な診断精度を向上させるという仮説を立てています。
方法 設計の概要: UCSF 成人心エコー検査室で臨床心エコー検査を受けるすべての被験者の横断研究
研究対象者の概要: 研究者は、UCSF パルナサス キャンパスで臨床心エコー検査を受ける成人対象者を登録します。 これらの被験者は、予想されるサンプルサイズに達するように、症例の状態によって層別化され、派生コホートと検証コホートに順次グループ化されます。 このようなグループ化は、被験者の登録とデータ収集後に行われます。
対象集団: 中等度から重度から重度の AS または中等度から重度から重度の MR (ケース) の成人、および最小限の VHD で構造的に正常な心臓を持つ成人 (コントロール)。 より厳密な並行分析では、対照群の対象集団は、中等度から重度未満の AS または MR を有するものとして定義されます。
アクセス可能な人口:参加に適したUCSF心エコー検査研究所で臨床心エコー検査を受けるエントリー基準を満たす成人。
サンプリング スキーム: 研究者は、UCSF パルナッソスの成人心エコー検査室を訪れた被験者に連続してアプローチします。 さらに、治験責任医師は、AS または MR の可能性が高い被験者を事前に選別し (治験の適応症および APEX 医療記録の以前の診断に基づいて)、治験コーディネーターの登録能力が飽和している状況では、被験者の登録を選択的に対象とします。 .
募集戦略: 心エコー検査の登録時にパンフレットまたはチラシで研究を紹介し、その後、臨床心エコー検査を待っている間に潜在的な被験者に直接アプローチします。
保持戦略: なし。 調査員は、必要に応じて、将来連絡先情報を特定するために医療記録番号のマスター ファイルを保持します。
測定の概要: この研究は 2 つの測定に焦点を当てます。 2) 4 つの標準心臓聴診位置のそれぞれで、Eko Duo デバイスによる 30 秒間の同時 PCG および単一誘導 ECG 記録。Eko Core デバイスによるオプションの追加記録。 この研究は、すべての臨床心エコー図レポートにこれらの弁評価が含まれているという事実を利用しています。
ゴールド スタンダード: 心エコー図は、心臓病学コミュニティによる VHD 重症度診断のゴールド スタンダードとして認められています。 研究者の負担を最小限に抑え、コストを削減するために、研究者はすべての臨床心エコー図レポートにゴールド スタンダードとして機能する VHD の評価が含まれていることを利用します。 これらのレポートは、米国心エコー検査協会 (ASE) のガイドラインに従っており、VHD を次のように分類できます: なし、軽度、中等度、または重度。 UCSF 心エコー検査ラボには、微量、軽度から中等度、中等度から重度、および重大の追加カテゴリが含まれており、研究内の個々のパラメーターが競合する場合の解釈を可能にします。 一次測定は、委員会認定の心臓専門医によって報告された、MR または AS の VHD の重症度の最終的な結論になります。 治験責任医師は、「臨床的に重要な」VHD を中等度から重度またはそれより悪いと定義します。これは、直接的な介入が必要なすべてのレベルの疾患を網羅するためです。 さらに、研究者は心エコー検査レポート全体と心エコー図ファイルの画像を抽出し、新しい研究課題が生じたときに将来使用できるようにデータを保存します。
デバイス測定: 同時 PCG および単一誘導 ECG の記録は、標準化された方法で各被験者に対して実行されます。 各被験者は、4 つの標準的な聴診位置で Eko Duo デバイスを使用して 30 秒間記録されます。 オブザーバーは、測定値を取得する体系的な方法についてトレーニングを受けます。 時間と患者が許せば、研究者は Eko Core デバイスを使用して同じ記録を取得します。これは同じソフトウェアを使用しますが、ECG 記録は含まれません。 デバイスは記録中に PCG の視覚化を可能にするため、オブザーバーはデバイスの位置に関するリアルタイムのフィードバックを取得して、各位置での記録の品質を最大化します。 調査員は、適切なデータ品質を確保するために、記録の定期的なレビューを計画します。 研究者は、この柔軟性とリアルタイムのフィードバックにより、デバイスの使用を現実の世界に一般化できるようになると予想しています (つまり、 非研究) 臨床状況。
交絡因子とバイアス: アルゴリズムの導出と検証は、臨床心エコー図が実行された後にリモートで行われるため、ゴールド スタンダードの結果には影響しません。 この検査は、収縮期雑音を引き起こす他の状態 (AS または MR 以外の VHD、または先天性心疾患を含む) の存在によって影響を受ける場合があります。 調査員は、心エコー図レポートからこれらの測定値を含めて、これらの他の条件がある場合とない場合のテストパフォーマンスを比較します。
統計上の問題 帰無仮説: 機械学習アルゴリズムは、臨床的に重要な AS または MR の存在を予測できません。
サンプルサイズの正当化:
- アルゴリズムの感度: 90%
- アルゴリズムの特異性: 90%
- アルゴリズムの目標尤度比 (+) [LR(R)]: 9 (Sn / [1 - Sp] から導出)
- アルゴリズムの最小尤度比 (+) [LR(R)]: 5
- 信頼水準 = 0.95 (アルファ = 0.05)
- 信頼区間 [LR(R)]: 5.120-15.820
- サンプル サイズ = 1 グループあたり 110。コホートあたり 330 (コントロール、AS ケース、MR ケース)。全体で 660 (トレーニングおよび検証コホート)
- 要約: 臨床的に重要な AS または MR を検出するための機械学習アルゴリズムの感度と特異度が両方とも 0.9 であると仮定すると、合計サンプル サイズ 660 は、いずれの場合も 95% 信頼区間で閾値尤度比 5.0 を下回ることはないと予想されます。派生または検証コホート。
- 重要な仮定の正当化: 研究者は、100 未満のサンプル サイズを使用して、ニューラル ネットワークを使用して以前に公開されたレポートに基づいて、弁膜症のない心臓と比較して、大動脈弁狭窄症または僧帽弁逆流を検出する際にアルゴリズムが 90% の感度と特異度を生成できると仮定しています。ケース。 さらに、研究者は、テストが臨床的に有用であるためには、5 の最小尤度比が必要であると推定しています。 この見積もりは検証セットではうまく機能しますが、派生セットに必要な数はあまり明確ではありません。上記の見積もりは保守的な数値です。 研究者は、ブートストラップ アプローチを使用して 20 ケースごとに登録した後、アルゴリズムをトレーニングする予定です。これにより、中間テストの特性が提供され、派生セットに必要な真の数を決定するのに役立ちます。 これは部分的にパイロット研究であるため、テストの真の感度と特異性を特定すること自体が貴重な結果です。
分析アプローチ: 調査員は、検証セットのアルゴリズム スコアの ROC 曲線 (Sn 対 1-Sp をプロット) を生成します。 最終的に、研究者は 4 つの曲線を生成します。MR と AS にそれぞれ 2 つずつ、一次 (軽度の VHD 以下のコントロールを定義) および二次 (中程度から重度以上の VHD を持たないコントロールを定義) アプローチによって生成されたアルゴリズムを使用します。 . さらに、研究者は、AS または MR を検出する際に最も重要視される特性との臨床的相関関係を特定することにより、アルゴリズム自体の探索的で記述的な分析を実行することを期待しています。
その他の倫理的考慮事項: 大きな懸念事項はありません。 データは HIPAA 準拠のプラットフォームに安全に保存されます。 この研究は、UCSF CHR 基準による最小リスクとして認定されています。
事前テスト計画: 研究募集の前に、研究スタッフは、データ収集システムをテストするために、自分自身とプロバイダーに関するデータを収集します。 最初の被験者の募集中、研究スタッフは毎日の後にプロセスを見直して、障害や懸念事項について話し合います。
データ管理計画: 調査のデータは 2 つのソースから取得されます。 電子医療記録 (APEX) から抽出された心エコー図のレポートは、疾患特性のメイン データベースを生成するために研究スタッフによってレビューされます。 被験者識別子を識別可能な情報にリンクするマスターファイル、抽出および匿名化された心エコー図レポート、匿名化された生の心エコー図画像は、心臓病部門が使用する安全な研究サーバーに保存されます。 記録された PCG および ECG データ (実際の検査測定値) は、Eko Devices が管理する安全な HIPAA 準拠のクラウドベースのサーバーにリアルタイムで同期されます。 事前に指定されたアルゴリズム トレーニングの時間に、機械学習チーム (Eko Devices が調整) は、対象識別子を VHD カテゴリに割り当てるためのキーを提供されます。
品質管理手段: 記録されたデータの定期的なレビューは、適切なデータ品質を確保するために研究 PI によって実行されます。
時刻表:
契約/物流サブジェクト登録アルゴリズム開発分析公開全体のタイムテーブル: 9 か月
研究の種類
入学 (実際)
連絡先と場所
研究場所
-
-
California
-
San Francisco、California、アメリカ、94143
- University of California San Francisco
-
-
参加基準
適格基準
就学可能な年齢
健康ボランティアの受け入れ
受講資格のある性別
サンプリング方法
調査対象母集団
説明
包含基準:
- 同意できる
- 完全な心エコー検査を受ける
除外基準:
- 参加の拒否
研究計画
研究はどのように設計されていますか?
デザインの詳細
- 観測モデル:ケースコントロール
- 時間の展望:断面図
コホートと介入
グループ/コホート |
介入・治療 |
---|---|
コントロール
-大動脈弁狭窄症(AS)および僧帽弁逆流(MR)に関して中等度から重度未満の等級付けの心エコー検査で確認された弁膜症の被験者。
このコホート内には、構造的に正常な心臓を持ち、どの弁にも軽度以下の弁膜症があり、以前に弁膜介入がなく、先天性心疾患の証拠がない被験者で構成されるサブコホートがあることに注意してください。
|
ECG および PCG 記録から生成された機械学習アルゴリズムは、中等度から重度またはそれ以上の大動脈弁狭窄症を、中度から重度またはそれ以上の大動脈弁狭窄症以外の所見を持つコントロールから区別します。
ECG および PCG 記録から生成された機械学習アルゴリズムは、中等度から重度またはそれ以上の僧帽弁逆流を、中度から重度またはそれ以上の僧帽弁逆流以外の所見を持つコントロールから区別します。
|
ASケース
-心エコー検査で中等度から重度またはそれ以上のグレードの大動脈狭窄(AS)が確認された被験者。
|
ECG および PCG 記録から生成された機械学習アルゴリズムは、中等度から重度またはそれ以上の大動脈弁狭窄症を、中度から重度またはそれ以上の大動脈弁狭窄症以外の所見を持つコントロールから区別します。
ECG および PCG 記録から生成された機械学習アルゴリズムは、中等度から重度またはそれ以上の大動脈狭窄症を、どの部位でも軽度の心臓弁膜症以下の構造的に正常な心臓を持つコントロールと区別します。
|
MRケース
-心エコー検査で中等度から重度またはそれ以上のグレードの僧帽弁逆流(MR)が確認された被験者。
|
ECG および PCG 記録から生成された機械学習アルゴリズムは、中等度から重度またはそれ以上の僧帽弁逆流を、中度から重度またはそれ以上の僧帽弁逆流以外の所見を持つコントロールから区別します。
ECG および PCG の記録から生成された機械学習アルゴリズムは、中等度から重度またはそれ以上の僧帽弁逆流を、どの部位でも軽度の心臓弁膜症以下の構造的に正常な心臓を持つコントロールと区別します。
|
コントロールサブグループ
-構造的に正常な心臓を持ち、どの弁にも軽度以下の弁膜症があり、以前に弁膜介入がなく、先天性心疾患の証拠がない被験者。
|
ECG および PCG 記録から生成された機械学習アルゴリズムは、中等度から重度またはそれ以上の大動脈狭窄症を、どの部位でも軽度の心臓弁膜症以下の構造的に正常な心臓を持つコントロールと区別します。
ECG および PCG の記録から生成された機械学習アルゴリズムは、中等度から重度またはそれ以上の僧帽弁逆流を、どの部位でも軽度の心臓弁膜症以下の構造的に正常な心臓を持つコントロールと区別します。
|
この研究は何を測定していますか?
主要な結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
---|---|---|
臨床的に重要な大動脈弁狭窄症と構造的に正常な心臓との鑑別
時間枠:1年以内の研究の終了(大動脈弁狭窄症検証セットの最終登録後)。
|
訓練された機械学習アルゴリズムによる臨床的に重要な大動脈弁狭窄症 (中等度から重度以上と定義) を、構造的に正常な心臓を持ち、軽度の心臓弁膜症以下の対照被験者から、ゴールド スタンダードの心エコー図の解釈と比較して識別します。
私たちのアルゴリズムは、病気の可能性を判断するために継続的な「スコア」を提供するため、データは主に受信者動作特性曲線の形で提供されます。これに対して、0.9 の感度カットオフで精度、特異性、および尤度比を計算します。 0.95、および 0.99。
|
1年以内の研究の終了(大動脈弁狭窄症検証セットの最終登録後)。
|
構造的に正常な心臓からの臨床的に重要な僧帽弁狭窄症の鑑別
時間枠:研究の終了(僧帽弁逆流検証セットの最終登録後)、1年以内。
|
訓練された機械学習アルゴリズムによる臨床的に重要な僧帽弁逆流 (中等度から重度以上と定義) を、構造的に正常な心臓を持ち、軽度の心臓弁膜症以下の対照被験者から、ゴールド スタンダードの心エコー図の解釈と比較して識別します。
私たちのアルゴリズムは、病気の可能性を判断するために継続的な「スコア」を提供するため、データは主に受信者動作特性曲線の形で提供されます。これに対して、0.9 の感度カットオフで精度、特異性、および尤度比を計算します。 0.95、および 0.99..
|
研究の終了(僧帽弁逆流検証セットの最終登録後)、1年以内。
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
---|---|---|
臨床的に重要な大動脈弁狭窄症と臨床的に重要な大動脈弁狭窄症の区別
時間枠:1年以内の研究の終了(大動脈弁狭窄症検証セットの最終登録後)。
|
トレーニングを受けた機械学習アルゴリズムによる臨床的に重要な大動脈弁狭窄症 (中等度から重度以上と定義) を、中等度から重度の大動脈弁狭窄症未満のコントロールから識別し、ゴールド スタンダードの心エコー図の解釈と比較します。
私たちのアルゴリズムは、病気の可能性を判断するために継続的な「スコア」を提供するため、データは主に受信者動作特性曲線の形で提供されます。これに対して、0.9 の感度カットオフで精度、特異性、および尤度比を計算します。 0.95、および 0.99。
|
1年以内の研究の終了(大動脈弁狭窄症検証セットの最終登録後)。
|
臨床的に重要な僧帽弁閉鎖不全症と臨床的に重要な僧帽弁閉鎖不全症の区別
時間枠:研究の終了(僧帽弁逆流検証セットの最終登録後)、1年以内。
|
ゴールドスタンダードの心エコー図の解釈と比較して、中等度から重度の僧帽弁逆流未満のコントロールからの臨床的に重要な僧帽弁逆流 (中等度から重度以上と定義される) の訓練された機械学習アルゴリズムによる識別。
私たちのアルゴリズムは、病気の可能性を判断するために継続的な「スコア」を提供するため、データは主に受信者動作特性曲線の形で提供されます。これに対して、0.9 の感度カットオフで精度、特異性、および尤度比を計算します。 0.95、および 0.99。
|
研究の終了(僧帽弁逆流検証セットの最終登録後)、1年以内。
|
協力者と研究者
捜査官
- 主任研究者:John Chorba, MD、University of California, San Francisco
出版物と役立つリンク
一般刊行物
- Zoghbi WA, Adams D, Bonow RO, Enriquez-Sarano M, Foster E, Grayburn PA, Hahn RT, Han Y, Hung J, Lang RM, Little SH, Shah DJ, Shernan S, Thavendiranathan P, Thomas JD, Weissman NJ. Recommendations for Noninvasive Evaluation of Native Valvular Regurgitation: A Report from the American Society of Echocardiography Developed in Collaboration with the Society for Cardiovascular Magnetic Resonance. J Am Soc Echocardiogr. 2017 Apr;30(4):303-371. doi: 10.1016/j.echo.2017.01.007. Epub 2017 Mar 14. No abstract available.
- Nishimura RA, Otto CM, Bonow RO, Carabello BA, Erwin JP 3rd, Guyton RA, O'Gara PT, Ruiz CE, Skubas NJ, Sorajja P, Sundt TM 3rd, Thomas JD; American College of Cardiology/American Heart Association Task Force on Practice Guidelines. 2014 AHA/ACC guideline for the management of patients with valvular heart disease: a report of the American College of Cardiology/American Heart Association Task Force on Practice Guidelines. J Am Coll Cardiol. 2014 Jun 10;63(22):e57-185. doi: 10.1016/j.jacc.2014.02.536. Epub 2014 Mar 3. No abstract available. Erratum In: J Am Coll Cardiol. 2014 Jun 10;63(22):2489. Dosage error in article text.
- Jones EC, Devereux RB, Roman MJ, Liu JE, Fishman D, Lee ET, Welty TK, Fabsitz RR, Howard BV. Prevalence and correlates of mitral regurgitation in a population-based sample (the Strong Heart Study). Am J Cardiol. 2001 Feb 1;87(3):298-304. doi: 10.1016/s0002-9149(00)01362-x.
- Eveborn GW, Schirmer H, Heggelund G, Lunde P, Rasmussen K. The evolving epidemiology of valvular aortic stenosis. the Tromso study. Heart. 2013 Mar;99(6):396-400. doi: 10.1136/heartjnl-2012-302265. Epub 2012 Sep 2.
- Faxon DP, Williams DO. Interventional Cardiology: Current Status and Future Directions in Coronary Disease and Valvular Heart Disease. Circulation. 2016 Jun 21;133(25):2697-711. doi: 10.1161/CIRCULATIONAHA.116.023551. No abstract available.
- Mangione S, Nieman LZ. Cardiac auscultatory skills of internal medicine and family practice trainees. A comparison of diagnostic proficiency. JAMA. 1997 Sep 3;278(9):717-22. Erratum In: JAMA 1998 May 13;279(18):1444.
- Mangione S. Cardiac auscultatory skills of physicians-in-training: a comparison of three English-speaking countries. Am J Med. 2001 Feb 15;110(3):210-6. doi: 10.1016/s0002-9343(00)00673-2.
- Baumgartner H, Hung J, Bermejo J, Chambers JB, Edvardsen T, Goldstein S, Lancellotti P, LeFevre M, Miller F Jr, Otto CM. Recommendations on the Echocardiographic Assessment of Aortic Valve Stenosis: A Focused Update from the European Association of Cardiovascular Imaging and the American Society of Echocardiography. J Am Soc Echocardiogr. 2017 Apr;30(4):372-392. doi: 10.1016/j.echo.2017.02.009.
- Pretorius E, Cronje ML, Strydom O. Development of a pediatric cardiac computer aided auscultation decision support system. Annu Int Conf IEEE Eng Med Biol Soc. 2010;2010:6078-82. doi: 10.1109/IEMBS.2010.5627633.
- Chorba JS, Shapiro AM, Le L, Maidens J, Prince J, Pham S, Kanzawa MM, Barbosa DN, Currie C, Brooks C, White BE, Huskin A, Paek J, Geocaris J, Elnathan D, Ronquillo R, Kim R, Alam ZH, Mahadevan VS, Fuller SG, Stalker GW, Bravo SA, Jean D, Lee JJ, Gjergjindreaj M, Mihos CG, Forman ST, Venkatraman S, McCarthy PM, Thomas JD. Deep Learning Algorithm for Automated Cardiac Murmur Detection via a Digital Stethoscope Platform. J Am Heart Assoc. 2021 May 4;10(9):e019905. doi: 10.1161/JAHA.120.019905. Epub 2021 Apr 26.
便利なリンク
研究記録日
主要日程の研究
研究開始 (実際)
一次修了 (実際)
研究の完了 (実際)
試験登録日
最初に提出
QC基準を満たした最初の提出物
最初の投稿 (実際)
学習記録の更新
投稿された最後の更新 (実際)
QC基準を満たした最後の更新が送信されました
最終確認日
詳しくは
本研究に関する用語
その他の研究ID番号
- 17-21881
個々の参加者データ (IPD) の計画
個々の参加者データ (IPD) を共有する予定はありますか?
IPD プランの説明
医薬品およびデバイス情報、研究文書
米国FDA規制医薬品の研究
米国FDA規制機器製品の研究
米国で製造され、米国から輸出された製品。
この情報は、Web サイト clinicaltrials.gov から変更なしで直接取得したものです。研究の詳細を変更、削除、または更新するリクエストがある場合は、register@clinicaltrials.gov。 までご連絡ください。 clinicaltrials.gov に変更が加えられるとすぐに、ウェブサイトでも自動的に更新されます。
AS アルゴリズム 2の臨床試験
-
Carna Biosciences, Inc.募集濾胞性リンパ腫 | ワルデンシュトレーム・マクログロブリン血症 | マントル細胞リンパ腫 | 辺縁帯リンパ腫 | 慢性リンパ性白血病 | 非ホジキンリンパ腫 | 小リンパ球性リンパ腫 | B細胞悪性腫瘍アメリカ
-
Zimmer Biomet積極的、募集していない
-
London School of Hygiene and Tropical MedicineHindustan Unilever Ltd.; University of Kalyani; KIIT University完了
-
BioNova Pharmaceuticals (Shanghai) LTD.引きこもった